随着生产自动化程度的不断提高，刀具切削状态监测成为实现加工过程自动化的一项关键技术，尤其是对于切削难加工材料时更是如此。本文作者通过到铣削高锰钢(ZGMn13)辙叉的加工现场进行实地调研，发现硬质合金(YT767)刀具切削这种难加工材料——高锰钢时，“打刀”频率极高，几乎每隔5～6min就要换刀。在这种情况下，实时监测刀具的磨损状态，及时发现严重磨损情况，避免“打刀”现象的发生，对增加刀具寿命、提高生产率、降低成本等起着至关重要的作用。本文以铣削难加工材料——高锰钢过程为研究对象，建立了以铣削力作为监测信号的铣刀磨损监测实验系统，并对铣削力信号的消噪、特征提取和刀具状态识别等进行了系统的理论分析与实验研究。论文首先在平均力法的基础上建立了铣削力模型以及系数的二次回归模型，并给出了一种新的系数辨识方法——主成分法。通过实验验证及仿真，表明此系数模型可适用于不同工况，且此辨识方法比以往的方法更加快速有效。在系统分析铣削加工特点以及切削高锰钢时刀具磨损形式的基础上，提出以所有刀齿后刀面的平均磨损量作为监测指标的思想，通过刀具磨损实验，标定出磨损曲线，并划分出各磨损阶段所对应得磨损量范围，建立了以X和Y方向力信号为监测信号的铣刀磨损监测方案及实验系统，在此基础上，对铣削力信号进行了采集。铣削力信号是一种非平稳信号且夹杂着严重的噪声，小波包变换不但是分析非平稳信号的有力工具，而且具有能对信号高频部分进行细节分析的优点，本文采用小波包理论对铣削力信号进行分析和消噪处理，并提取了信号的能量特征作为神经网络的输入向量。基于神经网络极强的非线性映射能力及分类能力，本文选用小波包分析与BP(Back Propagation)网络结合的方式对刀具磨损状态进行识别。建立了模式识别BP网络结构，构造了网络训练样本及测试样本，对网络进行了训练、仿真及验证，结果表明此网络能够对刀具磨损状态进行准确的识别，对刀具的在线监测具有良好的现实意义。